Un catalogue sans généalogie

La linguistique historique dispose d’un instrument puissant et coûteux. Il reconstruit des protoformes, établit des correspondances, produit des arbres. Il fonctionne, et cela fait deux siècles qu’il fonctionne.

Mais il a été appliqué avec une inégalité énorme. Le corpus sur lequel travaille cette série compte 225 macrosystèmes, et les jugements de parenté révisés par des experts existent pour un seul. Un sur 225.

Il s’ensuit quelque chose d’inconfortable qu’il vaut mieux dire d’emblée : toute étude comparative qui s’appuie sur la couche historique du lexique mesurera, sans le vouloir, la densité de la bibliographie comparatiste et non le passé des langues.

La question de cette série est de savoir si l’on peut faire quelque chose d’utile en renonçant à la reconstruction. Non pas l’améliorer ni la remplacer : s’en passer, et voir ce qui reste.

Ce qui reste

Ce qui reste est un objet plus modeste et beaucoup moins coûteux : un catalogue de codes consonantiques.

Il se construit avec trois choses et trois seulement — le squelette consonantique d’une forme, le concept qu’elle exprime, et l’exigence que la coïncidence se produise dans au moins trois langues distinctes. Rien d’autre n’entre. Aucune classification en branches, aucune protoforme, aucune liste de cognats, aucune hypothèse sur ce qui descend de quoi.

La procédure ignore que les familles ont des branches.

La généalogie entre à la fin, et uniquement pour lire ce qui est sorti. Lorsqu’on croise les codes avec les étiquettes de branche, c’est sur un catalogue déjà clos, et la question n’est pas « quels codes la classification prédit-elle ? » mais l’inverse : le catalogue retrouve-t-il, de lui-même, quelque chose que la classification reconnaît ?

Cet ordre n’est pas une préférence stylistique. C’est ce qui rend l’instrument utile là où il n’y a pas de reconstruction, ce pour quoi précisément il a été conçu. Une méthode qui aurait besoin de la classification pour construire son catalogue ne pourrait pas s’appliquer là justement où elle manque.

Ce qui n’est pas tenté

L’objet se surinterprète facilement, il convient donc de le délimiter avec précision.

Aucune protoforme n’est reconstruite. Aucune forme ancestrale, pas même implicitement.

Aucune parenté n’est affirmée. Que deux mots partagent un code ne dit pas qu’ils descendent d’un mot commun.

L’héritage n’est pas distingué de l’emprunt. Sans protoformes c’est impossible, et on ne va pas feindre le contraire. Un groupe de mots partageant un code peut relever de l’héritage commun, d’un emprunt ancien, d’un emprunt récent, de la convergence ou de la coïncidence. Le catalogue ne tranche pas.

Aucune signification n’est attribuée à un code. On écrit n·m|name et jamais n·m = name. Le code ne signifie pas « nom » : il est la forme que « nom » prend de façon répétée, sous ces conditions d’information.

Une seule chose peut être affirmée, et c’est pourquoi la méthode est bon marché : que certaines correspondances forme–sens se répètent entre langues plus que le hasard ne le produirait, le hasard étant mesuré explicitement. Tout le reste reste dehors.

C’est moins que ce que donne la méthode comparative. Et cela s’obtient là où la méthode comparative n’a pas été appliquée.

L’épreuve, au seul endroit où la réponse est connue

Un instrument qu’on ne peut pas contrôler ne vaut rien. L’indo-européen dispose d’une cognation de référence révisée par des experts : c’est donc là que se fait la mesure.

Contre cette cognation, concept plus squelette identique donne 93,3 % de précision contre une base de 26,0 %, avec une couverture de 13,6 %.

Précision haute, couverture basse. Ce qui est exactement ce qu’un catalogue doit être : il trouve une minorité fiable des relations qui existent, et ne prétend pas les trouver toutes.

Trois corrections qui ont coûté cinq articles

L’article de méthode ne publie pas seulement le protocole. Il publie aussi les trois choses qu’il a fallu corriger, parce que cinq applications successives l’ont imposé :

Le nul se calcule exactement et ne s’estime pas. L’estimer par quatre-vingt mille battages a publié, pendant trois articles, un intervalle de confiance qui ne mesurait pas l’incertitude des données mais celle de notre propre tirage. Avec la forme close, les chiffres publiés ont changé : 225× → 218×, 77× → 78×, 39× → 37×.

Battre un nul de battage autorise à affirmer une correspondance et rien de plus. La lire comme une migration exige une protoforme que la méthode n’a pas.

Le seuil se fixe entre deux bornes — le plafond atteignable et le taux de faux positifs — parce que le 2× utilisé pendant cinq articles s’est révélé dépassé par hasard dans 64 % des cas pour l’une des statistiques employées.

Un appareil décrit sans les défaillances qui l’ont produit est une liste de bonnes intentions.

Où cela se situe, et où cela ne se situe pas

Réduire un mot à ses consonnes n’est pas nouveau : c’est le consonant class matching de Dolgopolsky, et de Turchin, Peiros et Gell-Mann. La variante employée ici s’en distingue sur deux points.

Elle ne tronque pas : le consonant class matching classique compare les deux premières consonnes, alors qu’ici la séquence entière est conservée, car l’arité est un objet d’étude et non un paramètre fixé.

Et la sortie n’est pas une matrice de distances mais un catalogue consultable par concept. La différence n’est pas de format. Une matrice répond à « à quel point ces deux langues se ressemblent-elles ? » ; un catalogue répond à « quelle forme ce concept prend-il, de façon répétée, dans ce macrosystème ? ». La seconde question ne moyenne pas sur le lexique, et c’est pourquoi chaque code peut être inspecté, discuté et réfuté un par un.

Ce qui est, au bout du compte, la seule raison de le publier.

L’article : The catalogue of consonantal codes (PDF, en anglais) · Version espagnole

L’infrastructure : Corpus Integrativo — 3,79 millions de formes, 4 735 doculectes, 225 macrosystèmes.